外觀
Machine Learning › 工作流程 › 模型生命週期
模型生命週期 (Model Lifecycle)
模型不是一次性產物,而是會隨資料、業務規則與環境改變而持續演進的系統。先想清楚生命週期,才不會把大量精力花在一個很快就過時的版本上。
流程
text
問題定義 → 收集與稽核資料 → 切分、定義驗證 → Baseline → 前處理與訓練候選模型
↓
重訓或重新設計 ← 監控(預測、資料漂移、結果漂移) ← 部署 ← 錯誤分析與診斷 ← 調參與比較每個階段該留下什麼
| 階段 | 產出 | 常被漏掉 |
|---|---|---|
| 問題定義 | 目標、限制、評估指標、利害關係人 | 現行做法(baseline)是什麼 |
| 資料 | 資料來源、欄位定義、抽樣規則、清理決策、資料版本 | 特徵在上線時是否拿得到 |
| 訓練 | 模型設定、超參數、驗證方式、比較結果 | Baseline 與錯誤分析 |
| 部署 | 版本、服務介面、相依套件、輸入輸出 schema | 前處理與模型一起打包(Pipeline) |
| 監控 | 告警規則、重訓條件、負責人 | 明確的重訓標準 |
實驗紀錄與模型版本管理可用 MLflow;部署與漂移監控見 部署與監控。
實務上最重要的兩個問題
| 問題 | 沒想清楚的後果 |
|---|---|
| 模型的輸入上線後真的拿得到嗎? | notebook 裡表現很好,但某些特徵上線要晚兩天才到、或來自人工標註,無法即時推論 |
| 什麼情況算模型退化? | 沒有預先定義效能閾值、漂移指標與重訓規則,通常要等問題已經影響業務才被動處理 |
好習慣
| 習慣 | 為什麼 |
|---|---|
| 版本化資料或擷取邏輯 | 能重現任何一次訓練 |
| 記錄參數與評估結果 | 比較不同實驗 |
| 前處理與模型一起存 | 避免訓練 / 上線不一致 |
| 記錄環境(套件版本、random seed) | 可重現性 |
| 指定監控與重訓的負責人 | 沒人負責就等於沒人監控 |